Применение кластерного анализа для сегментации рынка (стр. 1 из 2)

ФЕДЕРАЛЬНОЕ АГЕНСТВО ПО ОБРАЗОВАНИЮ

Филиал государственного образовательного учреждения высшего профессионального образования казанского государственного университета имени В.И. Ульянова – Ленина в Г. набенежные Челны

Факультет прикладной математики и информатики

Специальность: 080116.65 :Математические методы в экономике

ДОКЛАД

Применение кластерного анализа для сегментации рынка

Выполнил:

студент III курса

дневного отделения

группы 40741

Ужогов А. А.

Набережны Челны

2009

Оглавление

1. Сегментация рынка

2. Сущность кластерного анализа

3. Выполнение кластерного анализа

3.1 Формулировка проблемы

3.2 Выбор способа измерениярасстояния или меры сходства

3.3 Выбор метода кластеризации

3.4 Принятие решения о количестве кластеров

3.5 Интерпретация и профилирование кластеров

3.6 Оценка надежности и достоверности

Вывод

1. Сегментация рынка

В наше время создание товара не является уже таким беспрецедентным и уникальным событием, как это было раньше. Еще буквально полвека назад создание чего-то нового производило переворот и приносило изобретателям сверхприбыли. Сейчас главным является не создание, а умелое и эффективное продвижение нового товара. Истории известны случаи, когда продукция, которая, по сути, не была уникальной или сверхновой становилась лидером продаж на многие годы, благодаря грамотной маркетинговой стратегии фирмы.

При разработке нового товара необходимо четко знать, на какую потребительскую аудиторию он рассчитан. Нужно знать о своем среднестатистическом потенциальном клиенте практически все, начиная с возраста и пола и заканчивая личными увлечениями. Именно эти сведения дают возможность разработать товар вплоть до мелочей и провести эффективную рекламную кампанию.

Одним из основных направлений маркетинговой деятельности является сегментация рынка, позволяющая аккумулировать средства предприятия на определенном направлении своего бизнеса. Рынок состоит из покупателей, а покупатели отличаются друг от друга по самым разным параметрам. И любой из этих переменных можно воспользоваться в качестве основы для сегментирования рынка.

К настоящему времени в экономической литературе достаточно четко обозначены понятия целевого рынка и целевого сегмента, выделение которых и является основной целью сегментации рынка. Целевой рынок – это потенциальный рынок фирмы, который определяется совокупностью людей со схожими потребностями в отношении конкретного товара или услуги, достаточными ресурсами, а также готовностью и возможностью покупать. Целевой сегмент – это однородная группа потребителей целевого рынка фирмы, обладающая схожими потребностями и покупательскими привычками по отношению к товару фирмы.

Таким образом, сегментирование рынка – это разбивка рынка на четкие группы покупателей, для каждой из которых могут потребоваться отдельные товары и/или комплексы маркетинга.

Целью сегментирования является выделение одной или нескольких целевых групп потребителей, под которых "затачивается" весь комплекс маркетинговых мероприятий - от разработки продуктов и брендинга до выбора тональности и носителей маркетинговых коммуникаций.

Разбивать рынок на сегменты можно разными способами. Можно использовать факторный, кластерный, дискриминантный анализы, можно разбивать и «на глазок», но этот метод пригоден только, для опытных и много знающих маркетологов. Мы рассмотрим только кластерный анализ.

2.Сущность кластерного анализа

Кластерный анализ представляет собой класс методов, используемых для классификации объектов или событий в относительно однородные группы, которые называют кластерами (clusters). Объекты в каждом кластере должны быть похожи между собой и отличаться от объектов в других кластерах. На рис. 20.1 показана идеальная ситуация кластеризации, когда кластеры четко отделены друг от друга на основании различий двух переменных: ориентация на качество (переменная 1), и чувствительность к цене (переменная 2),

Переменная 2

Рис. 20,1. Идеальная ситуация

кластеризации

Следует отметить, что каждый потребитель попадает в один из кластеров, и перекрывающихся областей нет. С другой стороны, на рис. 20.2 представлена ситуация кластеризации, которая чаще всего встречается на практике

Переменная 2

Рис. 20.2. Реальная ситуация кластеризации

На рис. 20.2 границы некоторых кластеров очерчены нечетко, и отнесение некоторых потребителей к конкретному кластеру не очевидно, поскольку многие из них нельзя сгруппировать в тот или иной кластер. кластерном анализе нет необходимости в предварительной информации о кластерной принадлежности любого из объектов. Группы, или кластеры, определяют с помощью собранных данных, а не заранее. Кластерный анализ используют в маркетинге для различных целей.

3. Выполнение кластерного анализа

Этапы выполнения кластерного анализa:

1. Формулировка проблемы

2. Выбор меры расстояния

3. Выбор метода кластеризации

4. Принятие решения о качестве кластеров

5. Интерпритация и профелирование кластеров

6. Оценка достоверности кластеров

3.1Формулировка проблемы

Возможно, самая важная часть формулирования проблемы кластеризации — это выбор переменных, на основе которых проводят кластеризацию. Включение даже одной или двух посторонних (не имеющих отношение к группированию) переменных может исказить результаты кластеризации. Задача состоит в том, чтобы выбранный набор переменных смог описать сходство между объектами с точки зрения признаков, имеющих отношение к данной проблеме маркетингового исследования. Переменные следует выбирать, исходя из опыта прошлых исследований, теории или тестируемой гипотезы. Экспериментатор должен обладать интуицией и уметь делать выводы.

3.2 Выбор способа измерения расстояния или меры сходства

Цель кластеризация — группирование схожих объектов. Поэтому для того чтобы оценить, насколько они похожи или непохожи, необходимо использовать некую единицу измерения. Наиболее распространенный метод заключается в том, чтобы в качестве такой меры использовать расстояния между двумя объектами. Объекты с меньшими расстояниями между собой больше похожи, чем объекты с большими расстояниями. Существует несколько способов вычисления расстояния между двумя объектами.

Наиболее часто используемая мера сходства— евклидово расстояние или его квадрат. Евклидова метрика это квадратный корень из суммы квадратов разностей в значениях для каждой переменной

Существуют и другие способы измерения расстояния. Расстояние городских кварталов) (city-block, или манхэттенское расстояние (Manhattan distance) между двумя объектами — это сумма абсолютных разностей в значениях для каждой переменной. Расстояние Чебышева (Chebychev distance) между двумя объектами — это максимальная абсолютная разность в значениях для любой переменной. Если переменные измерены в различных единицах, то единица измерения влияет на решение кластеризации. В этих случаях перед кластеризацией респондентов мы должны нормализовать данные, изменив шкалу измерения каждой переменной таким образом, чтобы среднее равнялось нулю, а стандартное отклонение — единице. Хотя нормализация может исключить влияние единицы измерения, она также уменьшает различия между группами по переменным, которые наилучшим образом дискриминируют (отличают) группы или кластеры. Кроме того, желательно удалить выбросы (т.е. случаи с нетипичными значениями). Использование различных способов измерения расстояния ведет к разным результатам кластеризации. Следовательно, целесообразно использовать различные меры сходства и затем сравнить результаты. Выбрав меру сходства, затем можно выбрать метод кластеризации.

3.3 Выбор метода кластеризации

Методы кластеризации могут быть иерархическими и неиерархическими. Иерархическая кластеризация (hierarchical clustering) характеризуется построением иерархической, или древовидной, структуры.

Иерархические методы могут быть агломеративными (объединительными) и дивизивными. Агломеративная кластеризация (agglomerative clustering) начинается с каждого объекта в отдельном кластере. Кластеры объединяют, группируя объекты каждый раз во все более и болеекрупные кластеры. Этот процесс продолжают до тех пор, пока все объекты не станут членами одного единственного кластера.

Разделяющая, или дивизивная, кластеризация (divisive clustering) начинается со всех объектов, сгруппированных в единственном кластере. Кластеры делят (расщепляют) до тех пор, пока каждый объект не окажется в отдельном кластере.

Обычно в маркетинговых исследованиях используют агломеративные методы, например методы связи, дисперсионные и центроидные методы. Методы связи (linkage methods) включают метод одиночной связи, метод полной связи и метод средней связи.

В основе метода одиночной связи (single method) лежит минимальное расстояние, или правило ближайшего соседа. При формировании кластера первыми объединяют два объекта, расстояние между которыми минимально. Далее определяют следующее по величине самое короткое расстояние, и в кластер с первыми двумя объектами вводят третий объект. На каждой стадии расстояние между двумя кластерами представляет собой расстояние между их ближайшими точками.

Метод полной связи (complete linkage) аналогичен методу одиночной связи, за исключением того, что в его основе лежит максимальное расстояние между объектами, или правило дальнего соседа. В методе полной связи расстояние между двумя кластерами вычисляют как расстояние между двумя их самыми удаленными точками.